تخمین ضریب دبی روزنه‌های جانبی مثلثی توسط ساختار تعمیم یافته روش گروه دسته‌بندی داده‌ها

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

2 دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

در این مطالعه، برای اولین بار، ضریب دبی روزنه­های جانبی مثلثی توسط یک روش نوین تکاملی تحت عنوان ساختار تعمیم­یافته روش گروه دسته­بندی داده­ها (GSGMDH) شبیه­سازی شد. در ابتدا، پارامترهای موثر بر روی ضریب دبی روزنه­های جانبی مثلثی شناسایی شدند و شش مدل GSGMDH مختلف تعریف شد. سپس داده­های آزمایشگاهی به دو دسته آموزش و آزمون تقسیم­بندی شدند. در این مقاله، 70% داده­ها برای آموزش مدل­های هوش مصنوعی و 30% باقیمانده برای آزمون این مدل­ها بکار گرفته شدند. با تجزیه و تحلیل نتایج کلیه مدل­های GSGMDH، مدل برتر معرفی شد. این مدل مقادیر ضریب دبی را با دقت بالایی تخمین زد، به­عنوان مثال، ضریب همبستگی  (R)، شاخص پراکندگی (SI) و ضریب نش  (NSC) برای وضعیت آزمون مدل برتر به­ترتیب مساوی با 999/0، 0008/0 و 999/0 محاسبه شدند. همچنین، تحلیل حساسیت پارامترهای ورودی نشان داد که عدد فرود (Fr) و نسبت عرض کانال اصلی به طول روزنه جانبی (B/L) به­عنوان موثرترین پارامترهای ورودی شناسایی شدند. در ادامه، نتایج مدل برتر GSGMDH با مدل GMDH مقایسه شد که این مقایسه نشان دهنده عملکرد بهتر مدل GSGMDH بود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of Discharge Coefficient of Triangular Side Orifices using Generalized Structure Group Method of Data Handling

نویسندگان [English]

  • Rahim Gerami Moghadam 1
  • یعقوبی yaghoubi 1
  • ahmad rajabi 1
  • saeid shabanlou 2
  • mohammad ali izadbakhsh 1
1 Ph.D. Candidate, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
2 Associate Professor, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
چکیده [English]

In the study, the discharge coefficient of triangular side orifices is modeled by a new evolutionary algorithm entitled "generalized structure group method of data handling (GSGMDH)". Initially, the variables affecting the discharge coefficient are discerned and six different GSGMDH models are defined. After that, the experimental data are divided into two sub-groups, meaning that 70% of the experimental measurements are used for training and 30% for testing. Then, the superior model is introduced through the analysis of all GSGMDH models. This model estimates the discharge coefficient values with remarkable accuracy. For example, in the testing mode of the superior model, the correlation coefficient (R), Scatter Index (SI) and the Nash-Sutcliff proficiency coefficient (NSC) are calculated 0.999, 0.0008 and 0.999, respectively. Furthermore, the sensitivity analysis of the input parameters reveals that the Froude number (F1) and the ratio of the main channel width to the side orifice length (B/L) are the most effective input parameters. After that, the results yielded by the GSGMDH superior model are compared with the GMDH results to prove that the accuracy of the GSGMDH model is higher

کلیدواژه‌ها [English]

  • Triangular side orifice
  • Discharge coefficient
  • generalized structure group method of data handling
  • Uncertainty analysis

مراجع

Azimi, H., H. Bonakdari, and I. Ebtehaj. 2019. Design of radial basis function-based support vector regression in predicting the discharge coefficient of a side weir in a trapezoidal channel. Applied Water Science, 9(4): 1-12.
Azimi, H., H. Bonakdari, I. Ebtehaj, B. Gharabaghi, and F. Khoshbin. 2018. Evolutionary design of generalized group method of data handling-type neural network for estimating the hydraulic jump roller length. Acta Mechanica, 229(3): 1197-1214.
Ebtehaj, I., H. Bonakdari, and B. Gharabaghi. 2018. Development of more accurate discharge coefficient prediction equations for rectangular side weirs using adaptive neuro-fuzzy inference system and generalized group method of data handling. Measurement, 116: 473-482.
Ebtehaj, I., H. Bonakdari, F. Khoshbin, and H. Azimi. 2015. Pareto genetic design of group method of data handling type neural network for prediction discharge coefficient in rectangular side orifices. Flow Measurement and Instrumentation, 41: 67-74.
Eghbalzadeh, A., M. Javan, M. Hayati, and A. Amini. 2016. Discharge prediction of circular and rectangular side orifices using artificial neural networks. KSCE Journal of Civil Engineering, 20(2): 990-996.
Guo, J. C., and R. P. Stitt. 2017. Flow through partially submerged orifice. Journal of Irrigation and Drainage Engineering, 143(8): 06017006-1-3.
Hashid, M., A. Hussain, and Z. Ahmad. 2015. Discharge characteristics of lateral circular intakes in open channel flow. Flow Measurement and Instrumentation, 46: 87-92.
Hussain, A., Z. Ahmad, and C. S. P. Ojha. 2016. Flow through lateral circular orifice under free and submerged flow conditions. Flow Measurement and Instrumentation, 52: 57-66.
Ivakhnenko, A. G. 1976. The group method of data handling in prediction problems. Soviet Automatic Control, 9(6): 21-30.
Majedi Asl, M., Fuladipanah, M., Daneshfaraz, R., Jannat, K. 2021. Modeling and assessment of discharge coefficient of arc labyrinth weir using experimental and meta-model methods. Iranian Journal of Soil and Water Research, 10.22059/IJSWR.2021.322432.668943.
Roushangar, K., Alirezazadeh Sadaghiani, A., Shahnazi, 2021. Modeling discharge coefficient of radial gates under submerged conditions using kernel-based approaches. Iranian Journal of Irrigation and Drainage, 15(85): 109-120.
Vatankhah, A. R., and S. H. Mirnia. 2018. Predicting Discharge Coefficient of Triangular Side Orifice under Free Flow Conditions. Journal of Irrigation and Drainage Engineering, 144(10): 04018030-1-16.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار